Las operaciones de aprendizaje automático (MLOps) se refieren a un conjunto de prácticas para mejorar la comunicación y la colaboración durante todo el ciclo de vida de un proyecto de aprendizaje automático. Incluye principios como validación de conjuntos de datos, cultura colaborativa, monitoreo de aplicaciones, reproducibilidad, etc., y permite una implementación más rápida, un rendimiento mejorado y confiabilidad. Con el rápido desarrollo del aprendizaje automático (ML), también ha aumentado la demanda de especialistas en MLOps. Este artículo enumera los mejores libros de MLOps para leer en 2024 y aprender esta importante habilidad.
Patrones de diseño de aprendizaje automático
«Patrones de diseño de aprendizaje automático» cubre los problemas de aprendizaje automático más comunes y sus soluciones. El libro enseña cómo crear ciclos de aprendizaje sólidos y cómo implementar sistemas de aprendizaje automático escalables.
Presentamos MLOps
Este libro presenta los conceptos básicos de MLOps para ayudar a los investigadores a poner en práctica modelos de aprendizaje automático. El libro también enseña cómo diseñar el ciclo de vida de MLOps para garantizar que los modelos sean objetivos, justos e interpretables.
Diseño de sistemas de aprendizaje automático.
Este libro le enseña cómo desarrollar sistemas de aprendizaje automático confiables y escalables utilizando investigaciones del mundo real. El libro proporciona una guía completa para la automatización de procesos, el diseño de sistemas de monitoreo y el diseño de sistemas de aprendizaje automático receptivos.
Ingeniería de aprendizaje automático
Este libro cubre varias mejores prácticas y patrones de diseño de aprendizaje automático. Explica el ciclo de vida de un proyecto de ML y se centra en las mejores prácticas para crear e implementar soluciones de ML.
Ingeniería de aprendizaje automático con Python
Es una guía práctica para crear soluciones escalables que resuelvan problemas del mundo real. El libro utiliza Python para explicar conceptos y proporciona varios ejemplos para simplificar el aprendizaje. Además, el libro también cubre las últimas herramientas y marcos, que abarcan Generative AI y LangChain.
Aprendizaje automático robusto
Este libro proporciona una guía para la operación y construcción confiable, eficiente y responsable de modelos de ML. Los autores también demuestran cómo aplicar el pensamiento SRE al aprendizaje automático y la importancia de una fabricación eficiente.
Construyendo canales de aprendizaje automático
Este libro cubre cómo automatizar los ciclos de vida de los modelos usando TensorFlow. También cubre la orquestación de canalizaciones con Apache Beam, Apache Airflow y Kubeflow Pipelines. Además, arroja luz sobre temas como la validación de datos, el seguimiento de modelos y la cuantificación de modelos.
MLO prácticos
Este libro le enseña cómo construir sistemas de aprendizaje automático de nivel de producción y cómo mantenerlos. Proporciona información sobre cómo elegir las herramientas MLOps adecuadas para una tarea de ML determinada. El libro también cubre la implementación de soluciones en plataformas en la nube como AWS, Microsoft Azure y Google Cloud.
Aprendizaje automático en la fabricación
Este libro es una guía completa para gestionar el ciclo de vida de un proyecto de aprendizaje automático, desde el desarrollo hasta la implementación. Primero comienza con los conceptos básicos de MLOps y pasa a temas como CI/CD, gestión del ciclo de vida de ML, implementación en plataformas en la nube y más.
Implementación de MLO en la empresa.
Este libro ayuda a las organizaciones a resolver los diversos desafíos que surgen al pasar los modelos de ML a producción. Los autores han adoptado un enfoque orientado a la producción y enseñan cómo desarrollar canales operativos continuos.
MLO de ingeniería
El desarrollo de MLOps cubre cómo dominar varias técnicas de MLOps para crear y gestionar ciclos de vida de ML escalables. El libro proporciona ejemplos del mundo real en Azure para ayudar a los lectores a implementar modelos en producción de forma segura.
Gestión de ciencia de datos
La «Gestión de la ciencia de datos» es más adecuada para los ejecutivos porque les ayuda a comprender diversos conceptos y metodologías de la ciencia de datos. El libro tiene como objetivo preparar mejor a los gerentes para resolver los diversos desafíos de la ciencia de datos que enfrentan a diario.
Ingeniería de aprendizaje automático en acción
Este libro consta de varias técnicas y patrones de diseño para desarrollar modelos de aprendizaje automático escalables y seguros. También ayudará a elegir las tecnologías y herramientas adecuadas para el proyecto y a automatizar la resolución de problemas y el registro.
Desarrollo de software basado en aprendizaje automático: de la idea al producto
Este libro enseña las habilidades necesarias para diseñar, construir e implementar aplicaciones basadas en ML. A lo largo del libro, los lectores también tienen la oportunidad de crear una aplicación de ejemplo basada en ML desde cero.
Ingeniería de aprendizaje automático en AWS
Este libro cubre los numerosos servicios de AWS que ayudan a crear sistemas de aprendizaje automático y canalizaciones de MLOps escalables y seguros. Cubre herramientas como AWS SageMaker, AWS EKS, AWS Lambda, etc.
Soluciones de ciencia de datos en Azure
Este libro es una guía para utilizar las herramientas de Microsoft Azure para desarrollar soluciones basadas en datos. Proporciona una comprensión integral del ciclo de vida del aprendizaje automático y cómo crear cargas de trabajo de manera eficiente. Este libro es ideal para científicos de datos que implementan soluciones de aprendizaje automático en Azure.
Aprendizaje automático continuo con Kubeflow
Este libro proporciona un amplio conocimiento sobre la implementación de canalizaciones de ML utilizando Docker y Kubernetes. El libro explica cómo implementar aplicaciones de aprendizaje automático con capacitación en TensorFlow y cómo servir a Kubernetes. También habla de cómo Kubernetes realmente puede ayudar con proyectos específicos.
Obtenemos una pequeña ganancia de las compras realizadas a través de Enlaces de referencia/afiliación adjuntos a cada libro mencionado en la lista anterior.
Si desea sugerir un libro que hemos omitido en esta lista, envíenos un correo electrónico a asif@marktechpost.com
Asif Razzaq es el director ejecutivo de Marktechpost Media Inc. Como emprendedor e ingeniero visionario, Asif está comprometido a aprovechar el potencial de la inteligencia artificial para el bien social. Su último esfuerzo es el lanzamiento de Marktechpost, una plataforma de medios de inteligencia artificial que se destaca por su cobertura en profundidad de aprendizaje automático y noticias sobre aprendizaje profundo que es técnicamente sólida y fácil de entender para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas al mes, lo que demuestra su popularidad entre la audiencia.
🐝 Únase al boletín de investigación de IA de más rápido crecimiento leído por investigadores de Google + NVIDIA + Meta + Stanford + MIT + Microsoft y muchos más…
